Tujuan¶

  • Mencari tahu faktor apa saja yang mempengaruhi pengurangan karyawan di perusahaan
  • Membuat model machine learning untuk memprediksi ketika seorang karyawan akan keluar dari perusahaan atau tidak (Employee Attrition)

Tentang Data¶

Data ini merupakan data pegawai sebuah perusahaan yang berisikan tentang informasi demografis dan metrik terkait pekerjaan. Berikut detail fitur pada data: https://github.com/dicodingacademy/dicoding_dataset/tree/main/employee

  • EmployeeId - Employee Identifier
  • Attrition - Did the employee attrition? (0=no, 1=yes) (Target)
  • Age - Age of the employee
  • BusinessTravel - Travel commitments for the job
  • DailyRate - Daily salary
  • Department - Employee Department
  • DistanceFromHome - Distance from work to home (in km)
  • Education - 1-Below College, 2-College, 3-Bachelor, 4-Master,5-Doctor
  • EducationField - Field of Education
  • EnvironmentSatisfaction - 1-Low, 2-Medium, 3-High, 4-Very High
  • Gender - Employee's gender
  • HourlyRate - Hourly salary
  • JobInvolvement - 1-Low, 2-Medium, 3-High, 4-Very High
  • JobLevel - Level of job (1 to 5)
  • JobRole - Job Roles
  • JobSatisfaction - 1-Low, 2-Medium, 3-High, 4-Very High
  • MaritalStatus - Marital Status
  • MonthlyIncome - Monthly salary
  • MonthlyRate - Mounthly rate
  • NumCompaniesWorked - Number of companies worked at
  • Over18 - Over 18 years of age?
  • OverTime - Overtime?
  • PercentSalaryHike - The percentage increase in salary last year
  • PerformanceRating - 1-Low, 2-Good, 3-Excellent, 4-Outstanding
  • RelationshipSatisfaction - 1-Low, 2-Medium, 3-High, 4-Very High
  • StandardHours - Standard Hours
  • StockOptionLevel - Stock Option Level
  • TotalWorkingYears - Total years worked
  • TrainingTimesLastYear - Number of training attended last year
  • WorkLifeBalance - 1-Low, 2-Good, 3-Excellent, 4-Outstanding
  • YearsAtCompany - Years at Company
  • YearsInCurrentRole - Years in the current role
  • YearsSinceLastPromotion - Years since the last promotion
  • YearsWithCurrManager - Years with the current manager

Import Library¶

In [1]:
import pandas as pd
import numpy as np
from scipy import stats
import plotly.graph_objs as go
import plotly.express as px
import plotly.io as pio
from joblib import dump, load
import plotly.offline as pyo

# plotly offline
pyo.init_notebook_mode()

Import Data¶

In [2]:
df = pd.read_csv('data/employee_data.csv')
df.head(5)
Out[2]:
EmployeeId Age Attrition BusinessTravel DailyRate Department DistanceFromHome Education EducationField EmployeeCount ... RelationshipSatisfaction StandardHours StockOptionLevel TotalWorkingYears TrainingTimesLastYear WorkLifeBalance YearsAtCompany YearsInCurrentRole YearsSinceLastPromotion YearsWithCurrManager
0 1 38 NaN Travel_Frequently 1444 Human Resources 1 4 Other 1 ... 2 80 1 7 2 3 6 2 1 2
1 2 37 1.0 Travel_Rarely 1141 Research & Development 11 2 Medical 1 ... 1 80 0 15 2 1 1 0 0 0
2 3 51 1.0 Travel_Rarely 1323 Research & Development 4 4 Life Sciences 1 ... 3 80 3 18 2 4 10 0 2 7
3 4 42 0.0 Travel_Frequently 555 Sales 26 3 Marketing 1 ... 4 80 1 23 2 4 20 4 4 8
4 5 40 NaN Travel_Rarely 1194 Research & Development 2 4 Medical 1 ... 2 80 3 20 2 3 5 3 0 2

5 rows × 35 columns

Analisis Data¶

In [3]:
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1470 entries, 0 to 1469
Data columns (total 35 columns):
 #   Column                    Non-Null Count  Dtype  
---  ------                    --------------  -----  
 0   EmployeeId                1470 non-null   int64  
 1   Age                       1470 non-null   int64  
 2   Attrition                 1058 non-null   float64
 3   BusinessTravel            1470 non-null   object 
 4   DailyRate                 1470 non-null   int64  
 5   Department                1470 non-null   object 
 6   DistanceFromHome          1470 non-null   int64  
 7   Education                 1470 non-null   int64  
 8   EducationField            1470 non-null   object 
 9   EmployeeCount             1470 non-null   int64  
 10  EnvironmentSatisfaction   1470 non-null   int64  
 11  Gender                    1470 non-null   object 
 12  HourlyRate                1470 non-null   int64  
 13  JobInvolvement            1470 non-null   int64  
 14  JobLevel                  1470 non-null   int64  
 15  JobRole                   1470 non-null   object 
 16  JobSatisfaction           1470 non-null   int64  
 17  MaritalStatus             1470 non-null   object 
 18  MonthlyIncome             1470 non-null   int64  
 19  MonthlyRate               1470 non-null   int64  
 20  NumCompaniesWorked        1470 non-null   int64  
 21  Over18                    1470 non-null   object 
 22  OverTime                  1470 non-null   object 
 23  PercentSalaryHike         1470 non-null   int64  
 24  PerformanceRating         1470 non-null   int64  
 25  RelationshipSatisfaction  1470 non-null   int64  
 26  StandardHours             1470 non-null   int64  
 27  StockOptionLevel          1470 non-null   int64  
 28  TotalWorkingYears         1470 non-null   int64  
 29  TrainingTimesLastYear     1470 non-null   int64  
 30  WorkLifeBalance           1470 non-null   int64  
 31  YearsAtCompany            1470 non-null   int64  
 32  YearsInCurrentRole        1470 non-null   int64  
 33  YearsSinceLastPromotion   1470 non-null   int64  
 34  YearsWithCurrManager      1470 non-null   int64  
dtypes: float64(1), int64(26), object(8)
memory usage: 402.1+ KB
In [4]:
# Jumlah data duplikat
print('Jumlah Data Duplikat: ', df.duplicated().sum())

Jumlah Data Duplikat:  0
  • Kolom EmployeeCount tidak memiliki keterangan fitur, maka kolom akan diselidiki lagi lebih lanjut untuk menentukan tindakan yang tepat.
  • Dikarenakan nilai pada kolom Attrition seharusnya hanya memiliki 2 nilai, yaitu 1(Yes) dan 0(No), maka kita akan mengubah tipe data yang semula float menjadi int.
  • Terdapat nilai Null pada kolom Attrition. Karena salah satu tujuan kita adalah untuk memprediksi apakah seorang karyawan akan keluar dari perusahaan atau tidak, maka kita akan memisahkan baris data yang memiliki nilai Null pada kolom Attrition dan menyimpannya pada variabel df_pred yang nantinya akan dilakukan prediksi.
  • EmployeeId merupakan kolom yang tidak diperlukan untuk memprediksi apakah seorang karyawan akan keluar dari perusahaan atau tidak, maka kolom tersebut akan dihapus.
  • Beberapa kolom numerik memiliki tipe data ordinal.
  • Tidak ditemukan adanya data duplikat.
In [5]:
# Nilai unik kolom EmployeeCount
print('Nilai unik kolom EmployeeCount: ', df['EmployeeCount'].unique())

Nilai unik kolom EmployeeCount:  [1]

EmployeeCount hanya memiliki satu nilai yang membuat kolom ini tidak dapat digunakan dalam analysis dan pemodelan machine learning. Maka kolom ini akan dihapus.

In [6]:
# Menghapus EmployeeId dan EmployeeCount
df = df.drop(columns=['EmployeeCount', 'EmployeeId'])
In [7]:
# Meletakkan kolom target pada posisi paling depan untuk memudahkan memisahkan antara fitur dan target
df = df[['Attrition'] + [col for col in df.columns if col != 'Attrition']]
In [8]:
# Nilai Null pada kolom Attrition
print('Jumlah nilai NULL: ', df['Attrition'].isnull().sum())
print('Persentase nilai NULL: ', round(
    df['Attrition'].isnull().sum()/len(df)*100, 2), '%')

Jumlah nilai NULL:  412
Persentase nilai NULL:  28.03 %
In [9]:
# Dataframe dengan nilai null pada kolom Attrition
df_pred = df[df['Attrition'].isnull()]
df_pred = df_pred.drop(['Attrition'], axis=1)
print(df_pred.shape)
df_pred.head(5)

(412, 32)
Out[9]:
Age BusinessTravel DailyRate Department DistanceFromHome Education EducationField EnvironmentSatisfaction Gender HourlyRate ... RelationshipSatisfaction StandardHours StockOptionLevel TotalWorkingYears TrainingTimesLastYear WorkLifeBalance YearsAtCompany YearsInCurrentRole YearsSinceLastPromotion YearsWithCurrManager
0 38 Travel_Frequently 1444 Human Resources 1 4 Other 4 Male 88 ... 2 80 1 7 2 3 6 2 1 2
4 40 Travel_Rarely 1194 Research & Development 2 4 Medical 3 Female 98 ... 2 80 3 20 2 3 5 3 0 2
5 29 Travel_Rarely 352 Human Resources 6 1 Medical 4 Male 87 ... 4 80 0 1 3 3 1 0 0 0
12 47 Travel_Rarely 571 Sales 14 3 Medical 3 Female 78 ... 3 80 1 11 4 2 5 4 1 2
18 25 Travel_Frequently 772 Research & Development 2 1 Life Sciences 4 Male 77 ... 3 80 2 7 6 3 7 7 0 7

5 rows × 32 columns

In [10]:
# Dataframe tanpa nilai null pada kolom Attrition
df = df.dropna(subset=['Attrition'])
print(df.shape)
df.head(5)

(1058, 33)
Out[10]:
Attrition Age BusinessTravel DailyRate Department DistanceFromHome Education EducationField EnvironmentSatisfaction Gender ... RelationshipSatisfaction StandardHours StockOptionLevel TotalWorkingYears TrainingTimesLastYear WorkLifeBalance YearsAtCompany YearsInCurrentRole YearsSinceLastPromotion YearsWithCurrManager
1 1.0 37 Travel_Rarely 1141 Research & Development 11 2 Medical 1 Female ... 1 80 0 15 2 1 1 0 0 0
2 1.0 51 Travel_Rarely 1323 Research & Development 4 4 Life Sciences 1 Male ... 3 80 3 18 2 4 10 0 2 7
3 0.0 42 Travel_Frequently 555 Sales 26 3 Marketing 3 Female ... 4 80 1 23 2 4 20 4 4 8
6 0.0 40 Travel_Rarely 1124 Sales 1 2 Medical 2 Male ... 3 80 3 6 2 2 4 3 0 2
7 1.0 55 Travel_Rarely 725 Research & Development 2 3 Medical 4 Male ... 4 80 1 24 2 3 5 2 1 4

5 rows × 33 columns

In [11]:
# Mengubah tipe data kolom Attrition
df['Attrition'] = df['Attrition'].astype('int')

print(df['Attrition'].value_counts())

Attrition
0    879
1    179
Name: count, dtype: int64
In [12]:
# memisahkan data bertipe object dan numerik
df_obj = df.select_dtypes(include=['object'])
df_num = df.select_dtypes(include=['number'])

print(f'Jumlah Kolom Objek : {len(df_obj.columns)}')
print(f'Jumlah Kolom Numerik : {len(df_num.columns)}')

Jumlah Kolom Objek : 8
Jumlah Kolom Numerik : 25
In [13]:
df_num.describe().T
Out[13]:
count mean std min 25% 50% 75% max
Attrition 1058.0 0.169187 0.375094 0.0 0.00 0.0 0.0 1.0
Age 1058.0 37.055766 9.410421 18.0 30.00 36.0 43.0 60.0
DailyRate 1058.0 809.542533 408.478049 102.0 465.25 817.5 1168.5 1499.0
DistanceFromHome 1058.0 8.978261 8.040608 1.0 2.00 7.0 13.0 29.0
Education 1058.0 2.879017 1.031442 1.0 2.00 3.0 4.0 5.0
EnvironmentSatisfaction 1058.0 2.712665 1.092959 1.0 2.00 3.0 4.0 4.0
HourlyRate 1058.0 65.643667 20.324861 30.0 48.00 65.0 83.0 100.0
JobInvolvement 1058.0 2.737240 0.704730 1.0 2.00 3.0 3.0 4.0
JobLevel 1058.0 2.090737 1.136514 1.0 1.00 2.0 3.0 5.0
JobSatisfaction 1058.0 2.749527 1.104144 1.0 2.00 3.0 4.0 4.0
MonthlyIncome 1058.0 6625.945180 4837.695042 1009.0 2900.25 4903.5 8736.5 19999.0
MonthlyRate 1058.0 14267.281664 7048.077305 2094.0 8277.25 14201.0 20364.0 26999.0
NumCompaniesWorked 1058.0 2.706994 2.523526 0.0 1.00 2.0 4.0 9.0
PercentSalaryHike 1058.0 15.155955 3.641097 11.0 12.00 14.0 18.0 25.0
PerformanceRating 1058.0 3.150284 0.357518 3.0 3.00 3.0 3.0 4.0
RelationshipSatisfaction 1058.0 2.726843 1.090970 1.0 2.00 3.0 4.0 4.0
StandardHours 1058.0 80.000000 0.000000 80.0 80.00 80.0 80.0 80.0
StockOptionLevel 1058.0 0.762760 0.837537 0.0 0.00 1.0 1.0 3.0
TotalWorkingYears 1058.0 11.435728 8.016429 0.0 6.00 10.0 16.0 40.0
TrainingTimesLastYear 1058.0 2.769376 1.302689 0.0 2.00 3.0 3.0 6.0
WorkLifeBalance 1058.0 2.763705 0.707392 1.0 2.00 3.0 3.0 4.0
YearsAtCompany 1058.0 7.065217 6.265227 0.0 3.00 5.0 9.0 40.0
YearsInCurrentRole 1058.0 4.260870 3.617470 0.0 2.00 3.0 7.0 18.0
YearsSinceLastPromotion 1058.0 2.203214 3.266948 0.0 0.00 1.0 3.0 15.0
YearsWithCurrManager 1058.0 4.142722 3.599044 0.0 2.00 3.0 7.0 17.0
In [14]:
df_obj.describe().T
Out[14]:
count unique top freq
BusinessTravel 1058 3 Travel_Rarely 746
Department 1058 3 Research & Development 701
EducationField 1058 6 Life Sciences 436
Gender 1058 2 Male 620
JobRole 1058 9 Sales Executive 232
MaritalStatus 1058 3 Married 464
Over18 1058 1 Y 1058
OverTime 1058 2 No 751
In [15]:
# Mencari nilai unik pada setiap kolom bertipe object
for column in df_obj.columns:
    print(f'Nilai unik {column} : {df_obj[column].unique()}')

Nilai unik BusinessTravel : ['Travel_Rarely' 'Travel_Frequently' 'Non-Travel']
Nilai unik Department : ['Research & Development' 'Sales' 'Human Resources']
Nilai unik EducationField : ['Medical' 'Life Sciences' 'Marketing' 'Technical Degree'
 'Human Resources' 'Other']
Nilai unik Gender : ['Female' 'Male']
Nilai unik JobRole : ['Healthcare Representative' 'Research Scientist' 'Sales Executive'
 'Manager' 'Laboratory Technician' 'Research Director'
 'Manufacturing Director' 'Human Resources' 'Sales Representative']
Nilai unik MaritalStatus : ['Married' 'Single' 'Divorced']
Nilai unik Over18 : ['Y']
Nilai unik OverTime : ['No' 'Yes']
  • Dari kedua tabel diatas diketahui bahwa kolom Over18 dan StadardHours hanya memiliki satu buah nilai, maka kolom tersebut akan dihapus.
  • Terdapat beberapa kolom yang memiliki perbedaan nilai standard deviasi dan mean yang cukup jauh pada data numerik, ini menandakan adanya outlier pada data.
In [16]:
# Menghapus Over18 dan StandardHours
df_obj = df_obj.drop(columns=['Over18'])
df_num = df_num.drop(columns=['StandardHours'])

# Menghapus pada dataframe utama
df = df.drop(columns=['Over18', 'StandardHours'])
df_pred = df_pred.drop(columns=['Over18', 'StandardHours'])

Analisis Data kategorikal¶

In [17]:
# Visualisasi data kategorikal dengan target/label
for column in df_obj.columns:
    fig = px.histogram(df, x=column, color="Attrition", barmode="group")
    fig.update_layout(title=f'{column} vs. Attrition', xaxis_title=column,
                      yaxis_title="Count", bargap=0.2, width=800, height=500)
    fig.show()

Kesimpulan¶

  • Posisi Sales Representative tidak memiliki banyak karyawan tetapi, persentase karyawan yang keluar dari perusahaan cukup tinggi, yaitu 75%.
  • Karyawan yang berstatus single memiliki persentase yang lebih tinggi untuk keluar dari perusahaan dibandingkan dengan karyawan yang berstatus married dan divorced.
  • Karyawan yang melakukan overtime berpotensi lebih besar untuk keluar dari perusahaan dibandingkan dengan karyawan yang tidak melakukan overtime.

Outlier¶

Masalah yang dapat disebabkan oleh outlier adalah:

  • Mengurangi performa model machine learning
  • Menyebabkan kesimpulan yang salah pada analisis data
In [18]:
# fungsi untuk menentukan outliers
def detect_outliers_zscore(column, threshold=3):
    z_scores = stats.zscore(column)
    outliers = (z_scores > threshold) | (z_scores < -threshold)
    return outliers

# Mengubah nilai outliers dengan nilai rata-rata
def replace_outliers_with_mean(df):
    # Dictionary berisi statistik kolom numerik yang memiliki outliers
    outlier_stats = {}

    # Kolom numerik
    num_cols = df_num.columns

    for col in num_cols:
        outliers = detect_outliers_zscore(df[col])
        if outliers.sum() > 0:
            mean_value = df[col].mean()
            df[col] = np.where(outliers, mean_value, df[col])
            outlier_stats[col] = {
                'num_outliers': int(outliers.sum()),
                'mean': df[col].mean(),
                'std': df[col].std(),
                'min': df[col].min(),
                '25%': df[col].quantile(0.25),
                '50%': df[col].median(),
                '75%': df[col].quantile(0.75),
                'max': df[col].max(),
            }

    # Menampilkan statistik kolom yang memiliki outliers
    if len(outlier_stats) > 0:
        df_outliers = pd.DataFrame(outlier_stats).T
        df_outliers.index.name = 'column_name'
        print('Pasca penggantian nilai outliers dengan mean: ')
        display(df_outliers)
        return df
    else:
        print('Tidak terdapat outliers')
        return df
In [19]:
outliers_stat = replace_outliers_with_mean(df)

Pasca penggantian nilai outliers dengan mean:
num_outliers mean std min 25% 50% 75% max
column_name
TotalWorkingYears 10.0 11.191264 7.606152 0.0 6.0 10.0 15.000000 35.0
YearsAtCompany 20.0 6.607093 5.259560 0.0 3.0 5.0 9.000000 25.0
YearsInCurrentRole 10.0 4.144243 3.409690 0.0 2.0 3.0 7.000000 15.0
YearsSinceLastPromotion 29.0 1.885532 2.616507 0.0 0.0 1.0 2.203214 11.0
YearsWithCurrManager 12.0 4.007290 3.362404 0.0 2.0 3.0 7.000000 14.0

Terdapat beberapa teknik lain untuk menentukan sebuah outlier salah satunya adalah IQR (Interquartile Range). Selain itu penanganan outlier juga bermacam-macam, seperti menghapus outlier atau mengubah menjadi nilai modus.

Analisis Data Numerik¶

In [20]:
df_obj = df.select_dtypes(include=['object'])
df_num = df.select_dtypes(include=['number'])

# Membuat korelasi antar kolom numerik
corr_matrix = df_num.corr(method='pearson')

# Create the heatmap trace
heatmap = go.Heatmap(
    z=corr_matrix.values,
    x=corr_matrix.index.values,
    y=corr_matrix.columns.values,
    colorscale='Viridis',
    text=corr_matrix.round(2),
    hovertemplate='Feature 1: %{y}<br>' +
    'Feature 2: %{x}<br>' +
    'Correlation: %{z:.2f}<br>',
)

# Create the layout object
layout = go.Layout(
    title='Numeric Correlation Heatmap',
    xaxis=dict(title='Features'),
    yaxis=dict(title='Features'),
    autosize=False,
    height=1200,
    width=1200,
    margin=dict(l=50, r=50, t=130, b=130),
)

# Create the figure object
fig = go.Figure(data=[heatmap], layout=layout)

# Add the correlation values to the heatmap
fig.update_traces(texttemplate='%{text:.2f}')

# Show the figure
fig.show()

Kesimpulan¶

  • Tidak terdapat fitur yang memiliki nilai korelasi yang tinggi dengan fitur Attrition.
  • Jumlah pendapatan sangat bergantung pada level pekerjaan dan lama bekerja di perusahaan.
  • WorkLifeBalance tidak memiliki pengaruh yang signifikan terhadap Attrition dan pada fitur lainnya.

Masih terdapat banyak relasi antar fitur yang dapat dianalisis lebih lanjut. Coba lakukan analisis lebih lanjut untuk menemukan relasi antar fitur yang lain menggunakan chart lain seperti scatter plot, box plot, dan pie chart.

Export Variable¶

In [21]:
# Save Dataframe
dump(df, 'joblib/df.joblib')
dump(df_pred, 'joblib/df_pred.joblib')
Out[21]:
['joblib/df_pred.joblib']